基于MA-DBN算法的GIS故障預測

王 寧,黃新波,朱永燦,吳明松,馬玉濤

(西安工程大學 電子信息學院,陜西 西安 710048)

0 引 言

GIS對保護電力設備和調控設備入網運行有重要作用，又因SF6氣體具有優良的絕緣性能和滅弧性能,從而可以大大減少開關類設備的故障率,使得GIS在電網中大量使用。據國家電網調查顯示,GIS常見故障中,機械故障占比39.3%,氣體絕緣故障占比38.1%,氣體泄漏故障占比9.5%,其他類型故障占比13.1%[1],因此對SF6氣體進行監測與故障預測可以有效檢測出GIS的大多數故障信息,具有重要現實意義。

目前,對GIS的檢修一般是定期檢修,定期檢修雖然能減少設備故障的發生,但也存在費時費力、盲目檢修的缺點。近年來人們嘗試通過在線監測技術對其維護與檢修,許淵等研究了GIS內亞毫米級金屬顆粒的運動機制和局部放電機制,討論了特高頻在線監測方法的實效問題[1]。郭偉等通過對SF6氣體分解產物中的SO2、SOF2、H2S、CO等成分含量的在線監測,快速查找到故障點所在的氣室位置,但對于導致氣體成分變化的故障類型未做研究[2]。張迎亞等提出采用主觀賦權法和客觀賦權法結合的GIS狀態評估方法,判斷GIS設備運行狀態,這種方法可以系統全面的評估GIS健康狀態,卻不能為更細致的故障檢修提供參考[3]。

目前,如何根據運行參數對GIS故障進行準確診斷,成為需要重點攻克的關鍵技術,在此基礎上,國網提出了智能狀態檢修的新概念。它主要是通過對設備的運行狀況進行實時監測,然后利用計算機將監測到的數據快速地分析,同時結合智能算法分析得出檢修結論,最終根據結論來安排必要的檢修。張利等研究了局部放電現象致使GIS電磁感應振動的發生機理,通過構建粒子群算法優化支持向量機的模型實現了對不同放電程度的模式識別,在一定程度上促進了GIS局放方面的研究[4]。

隨著對SF6氣體分解機理的深入了解與檢測技術的發展,利用SF6氣體在電弧、放電和過熱作用下存在分解現象的特點,通過檢測SF6分解產物體積分數診斷設備內部是否存在故障,已經成為SF6電氣設備故障診斷的一種有效方法,許多國家的供電部門已把SF6氣體分解產物檢測應用于GIS的運行維護中。

在此基礎上,本文提出一種針對SF6分解氣體含量的故障預測方法,故障預測作為狀態檢修的有效手段之一,相較于故障診斷,是一種更高級的維修保障技術,涉及了機械、材料、電子、控制、通信以及計算機技術和人工智能等學科,屬于綜合的新興邊緣學科。通過采用時間序列分析中的移動平均模型,對SO2、SO2F22種氣體進行預測,預測結果融合GIS的氣室條件(如密度、溫度、壓力)歷史數據,通過DBN對未來GIS氣室內氣體的含量進行預測,并對預測的結果采用GIS故障診斷的方法進行分析,最終得到GIS未來的故障發生情況及類型。

1 基于MA的GIS故障預測模型

SF6電氣設備的故障主要有放電和過熱,放電主要包含3類:電弧放電、火花放電和電暈放電。放電和過熱時均會產生能量,促使SF6氣體發生分解,在放電作用下分解的主要成分是SF4和電極或容器的金屬氧化物[5],在有水汽、氧存在時,SF4與其發生反應而最終生成SOF2、SO2F2、SO2、HF等化合物。如圖1所示。

圖 1 SF6氣體分解圖Fig.1 Diagram of SF6 gas decomposition

在放電狀態下,不同的放電類型產生的能量不同,促使SF6氣體在不同的能量條件下分解為不同的穩定物[6],研究發現SO2F2/SO2比值存在一定的規律性,電暈放電時,其比值常在4.0～6.0甚至更高的范圍內,火花放電多集中于2.0～3.5,電弧放電時其比值最小,多為0.1～0.3,隨放電的劇烈程度增加而減小。SO2與SO2F2是放電故障時大量產生的物質,考慮其同時具有較好的穩定性,監測會更加方便準確,因此將SO2、SO2F2、SO2F2∶SO2值作為研究對象。文章數據來源于某變電站220 kV電壓等級GIS的觀測數據,部分數據見表1。

表 1 SF6分解氣體特征數據Tab.1 Characteristic data of SF6 decomposition gas

對GIS未來的故障狀況進行預測時,需要對GIS未來的氣室氣體情況進行分析。本文依據GIS氣室分解氣體含量歷史數據,采用時間序列分析的方式,對未來GIS氣室分解氣體SO2、SO2F2含量分別進行單變量預估。MA適用于未來較短時間的預測,是時間序列分析中應用較為廣泛的模型[7]。

設觀測序列為y1,y2,…,yt，即模型輸入,取移動平均的項數N

(1)

(2)

因此:

(3)

式中:t=N,N+1,…,T。其預測誤差為

(4)

當歷史數據發展較為平穩,但隨機變動較多時,應該擴展歷史數據總量,即N值增大,通過擴大樣本的方法,彌補抖動造成的隨機誤差。

MA模型可以分別對SO2、SO2F2含量進行單變量預估,考慮到在GIS內部分解氣體演化中,各成分分解氣體含量的發展過程往往存在一定關聯,因此對預測出的SO2、SO2F2氣體進行關聯度分析即通過DBN模型進行預測誤差修正,會大大提升預測準確率。

2 MA-DBN故障預測模型構建

2.1 DBN模型

DBN作為神經網絡的一種,基本單元由神經元組成，其在特征識別、數據降維、分類預測等方面性能突出,目前開始逐步應用于電力設備故障診斷領域,可有效提升算法準確率[8]。DBN網絡通常由受限玻爾茲曼機(restricted Boltzman machine,RBM)單元組成。RBM是一種層內神經元無連接,層間互連的無向圖模型,結構如圖2所示。

圖 2 RBM無向圖模型Fig.2 RBM undirected graph model

RBM網絡分為2層:隱含層h和可見層v。隱含層由n個隱含的隨機變量構成:h=(h1,h2,h3,…,hn);可見層由m個隨機變量構成v=(v1,v2,v3,…,vm),用于表示觀測的數據。RBM可視為基于能量的模型,其能量函數定義為

(5)

式中:vi為可見層單元i的取值;hj為隱含層單元j的取值,取值為0和1時表示該單元處于未激活態和激活態;wij為可見單元vi與隱單元hj之間的連接權重；ai為可見單元vi的偏置；bj為隱單元hj的偏置；n為隱層節點數量；m為顯層節點數量；ai、bj、wij均為實數；θ=(a,b,w)構成RBM的模型參數[9]。

對于RBM所包含的m個可見單元和n個隱單元,給定隱單元h,可以計算可見單元v的條件概率,相反,給定可見單元v,可以計算隱單元的條件概率。由此,可以推導出隱層節點的激活概率為

(6)

類似,顯層節點的第i個節點激活概率為

(7)

式中:σ()表示激活函數。

2.2 基于MA-DBN的故障預測模型

首先通過3層RBM自動提取輸入變量之間的相關特性,并采用梯度下降法進行模型調優,然后利用3層BP網絡進行故障分類預測,模型結構如圖3所示。模型輸入為SO2、SO2F2、SOF2、密度、氣室壓力、氣室溫度,模型輸出為局部放電故障類型,有電弧放電、火花放電、電暈放電、正常4種,為了方便計算將其分別編碼為0001、0010、0100、1000。

圖 3 DBN故障預測模型Fig.3 Model of DBN fault prediction

模型輸入按規則整條輸入至可見層v1,采用逐層無監督貪婪學習(contrastive divergence,CD)算法對3層RBM逐層訓練,以訓練RBM模型對該層特征向量映射達到最優[10]。

1) 初始化網絡,確定可見層,隱含層單元數m、n,設定學習率,隨機選取連接權重和偏置向量值,確定模型學習率和訓練最大周期T。

2) 輸入無標簽樣本,映射可見層到隱藏層。對隱含層所有隱單元計算,從條件分布P(h1j|v1)抽取h1j∈{0,1}。

3) 對可見層根據式(7),從P(v1i|v1)中抽取v2i∈{0,1}。

4) 根據式(6),對隱含層所有隱單元進行計算。

5) 更新權重及其各偏置值:

重復步驟2)～5),達到迭代次數最大值或符合要求的重構誤差時,停止該層RBM的訓練[11]。

單層RBM訓練結束后,將前一層RBM單元的隱藏層作為一下個RBM的可見層,輸入特征數據,自下而上對每層RBM進行預訓練,保證單層RBM映射關系最佳[12-13]。為了保證整個DBN網絡模型映射達到最優,采用梯度下降法對整個DBN網絡進行監督學習[14-16],反向微調網絡權重。

整個訓練過程分為以下幾步:

1) 采集GIS氣體特征數據,選取特征量為SO2、SO2F2、SOF2、密度、氣室壓力、氣室溫度,劃分為訓練樣本和測試樣本。

2) 樣本數據歸一化,將SO2、SO2F2特征數據輸入至MA算法模型分別進行預測。

3) 將預測結果和SOF2、密度、氣室壓力、氣室溫度作為一組特征量輸入至DBN算法模型,訓練網絡保存權重參數。

4) 利用步驟3)中訓練好的MA-DBN網絡對測試樣本逐一進行預測,評估模型性能[17]。

通過實驗發現,網絡的結構決定了算法預測的準確度,當RBM層數由1提升為3時,準確率快速上升,3層以后準確率基本穩定,提升效果甚微,所以本文確定RBM為3層,訓練周期為200,模型輸入設定為18,輸出設定為6,中間層為70,即網絡結構為18-50-50-50-20-6,模型的整體網絡結構如圖3所示。

3 算例分析

以西北某城區配電網中GIS的SF6在線監測裝置采集的數據為例,選取2016年3月1日到12月5日共400組數據為訓練集,挑選故障類型數據共50組樣本作為測試集。評價結果采用平均絕對百分誤差(mean absolute percentage error,MAPE):

(8)

圖 4 誤差修正后預測誤差Fig.4 Prediction error after error correction

對預測SO2、SO2F2結果進行分析,計算SO2F2/SO2的比值得出局放故障類型,其中電弧放電故障類型樣本個數為14,分類錯誤為2次,模型預測準確率為85.7%。火花放電故障類型樣本10個,分類錯誤1個,預測準確率90.0%。正常樣本18個,預測錯誤1個,預測準確率94.4%。模型的整體準確率達到了92.0%。MA-DBN算法故障預測結果如圖5所示。

圖 5 MA-DBN模型的故障類型預測結果Fig.5 Fault type prediction results of MA- DBN algorithm model

將本文所提的方法與支持向量機(support vector machines, SVM),BP神經網絡預測進行對比[20-21],其準確率計算結果如表2所示。通過對比可以看到MA-DBM預測模型對不同放電類型的預測準確率相對更高,其模型整體更可靠。

表 2 不同算法預測結果對比Tab.2 Comparison of prediction results of different algorithms

為分析訓練樣本對預測效果的影響,分別測試了100、200、400、600、800組訓練數據的預測情況。結果顯示,在200組訓練數據內,MA-DBN、SVM、BP的預測效果基本一致,在訓練樣本增加至800時,MA-DBN模型的預測效果要遠優于其他2種算法。由此可見深度信念網絡在面對大數據類型時具有更好的數據挖掘能力，也驗證了MA-DBN模型用于GIS故障預測的有效性。

將以上算法模型融入至軟件平臺中,實時采集SF6分解氣體數據輸入軟件平臺進行分析處理,判斷設備運行狀況,為檢修人員提供檢修依據和指導。通過算法模型的試運行結果過來看,文中方法使GIS故障預測更加高效,可以更早的發現故障隱患,做好防控工作。

4 結 論

1) 采用深度信念網絡,可以有效提取特征數據,適用于多數據融合的高效處理,避免了人為主觀調參引入的誤差,不易陷入局部最優。

2) 改進了傳統單一變量預測的缺點,模型融入溫度、密度等信息,有利于挖掘變量之間的關聯信息,提升算法預測精度。

3) 深度學習網絡在訓練過程中樣本數據量越大,預測準確率也越高。由于實驗條件限制,本文選取的數據量有限,致使模型在設備型號不同時會出現失效的情況,因此,下一階段將主要研究樣本的擴充和模型遷移性問題。